面向糖尿病视网膜病理分级的多视角图融合与重建学习
计算机视觉与模式识别
2026-02-26 v1
摘要
糖尿病视网膜病理（DR）是全球导致视力损失的主要原因之一，使得及早准确的DR分级对于及时干预至关重要。近期临床实践利用多视角视网膜图像进行DR检测，覆盖更广泛的视野范围，激发了深度学习方法探索多视角学习潜力的动力。然而，现有方法常忽视多视角视网膜图像之间的关联性，在融合过程中未充分发挥来自同一患者的多个视角所蕴含的内在一致性。本文提出MVGFDR（Multi-View Graph Fusion for DR grading），一种用于DR分级的端到端多视角图融合框架。与现有方法直接融合多个视角视觉特征不同，MVGFDR配备了新颖的多视角图融合（MVGF）模块，显式地解耦共享特征与视角特定特征。具体而言，MVGF包含三个关键组件：（1）多视角图初始化，通过残差引导的连接构建视觉图，并采用离散余弦变换（DCT）系数作为频域锚点；（2）多视角图融合，基于频域相关性整合多个视角图中的选择性节点，以捕获互补的视角特定信息；（3）掩码化跨视图重建，利用跨视角的共享信息重建来促进视角不变的特征表示学习。在目前最大的多视角视网膜图像数据集MFIDDR上的广泛实验表明，我们的方法在糖尿病视网膜病理分级方面优于现有最先进的方法。
引用
@article{arxiv.2602.21944,
title = {Learning to Fuse and Reconstruct Multi-View Graphs for Diabetic Retinopathy Grading},
author = {Haoran Li and Yuxin Lin and Huan Wang and Xiaoling Luo and Qi Zhu and Jiahua Shi and Huaming Chen and Bo Du and Johan Barthelemy and Zongyan Xue and Jun Shen and Yong Xu},
journal= {arXiv preprint arXiv:2602.21944},
year = {2026}
}